Rapports de visibilité de la recherche IA : Comment prouver le retour sur investissement de ChatGPT, Perplexity et de l’analyse du trafic IA vers les clients

La recherche par IA a engendré un problème de reporting auquel les outils de reporting des tableaux de bord SEO n'ont pas été conçus pour faire face.

Pendant des années, les agences ont pu présenter à leurs clients un raisonnement bien rodé : l’amélioration du positionnement des mots-clés entraînait une augmentation des impressions organiques, des clics, des conversions et du chiffre d’affaires. Ce raisonnement reste valable, mais il devient moins efficace dès lors que les utilisateurs découvrent les marques via ChatGPT, Perplexity, Google AI Overviews, Google AI Mode, Gemini, Claude et autres moteurs de recherche basés sur l’IA.

Les utilisateurs peuvent interroger ChatGPT sur les éditeurs de logiciels les plus adaptés à certains cas d'usage et obtenir cinq suggestions, sans pour autant cliquer systématiquement sur toutes les sources mentionnées. D'autres découvrent une entreprise grâce aux résultats de recherche de l'IA et la recherchent ensuite sur Google. Enfin, certains utilisateurs peuvent cliquer sur une citation de Perplexity et devenir ainsi un prospect qualifié.

Seule la troisième interaction peut apparaître clairement comme du trafic de référence IA dans les analyses.

Cela ne signifie pas pour autant que les deux premières interactions n'avaient aucune valeur marketing.

C’est pourquoi les rapports de visibilité issus de la recherche IA ne doivent pas se limiter au simple comptage des visites ChatGPT. Un rapport client pertinent doit mesurer trois éléments : la visibilité de la marque, le trafic généré par la recherche IA vers le site web et l’impact de ces interactions sur les résultats commerciaux.

Google propose désormais dans Search Console un rapport de performance IA génératif qui mesure les impressions issues des vues d'ensemble IA et du mode IA, tandis que Google Analytics a introduit un canal Assistant IA capable d'identifier le trafic provenant d'assistants reconnus tels que ChatGPT, Gemini et Claude.

Qu’est-ce que le rapport de visibilité de la recherche IA ?

La pratique consistant à mesurer la visibilité d'une marque dans les résultats de recherche basés sur l'IA, en évaluant la fréquence, la manière et l'emplacement de son apparition, est appelée « rapport de visibilité en recherche IA ». Il convient de préciser d'emblée que, si le terme « mesure » ​​sous-entend une évaluation précise, ce n'est pas toujours le cas dans ce domaine. Tout rapport de ce type est une approximation basée sur un ensemble de requêtes choisi par le fournisseur, et non un recensement exhaustif de ce que les utilisateurs ont réellement vu.

Les rapports SEO traditionnels s'intéressent au positionnement d'une page. Les rapports de recherche basés sur l'IA posent des questions plus larges et plus complexes :

• La marque est-elle mentionnée, et avec quelle constance lors de requêtes identiques répétées ? (Les résultats de LLM ne sont pas déterministes : une même requête peut renvoyer des marques, des concurrents ou des citations différents d’une exécution à l’autre.)
• La marque est-elle citée comme source, ou est-elle simplement mentionnée dans les données d'entraînement du modèle sans aucun lien ?
• Quels concurrents apparaissent à ses côtés, et comment cela varie-t-il selon la formulation de l'invite ?
• Quelles pages sont citées, et cela est-il corrélé à l'accès des robots d'exploration ?
• Les utilisateurs cliquent-ils sur les liens provenant des plateformes d'IA, et ce trafic se convertit-il ?
• L’exposition à l’IA influence-t-elle les conversions qui se produisent ultérieurement via un canal non lié, et si oui, comment cela serait-il attribué ?

Cette dernière question est le véritable point d'achoppement. La visibilité peut exister sans clic, ce qui signifie que les expositions les plus importantes (lorsqu'une personne lit une réponse, se fait une opinion, puis effectue une conversion via une recherche de marque ou du trafic direct) sont précisément celles que ce cadre ne peut pas relier causalement à la mention par l'IA. C'est le même problème d'attribution sociale opaque que la publicité de marque n'a jamais résolu. Appliqué à un nouveau canal, il doit être considéré comme une limitation, et non pas être dissimulé sous un entonnoir de conversion d'apparence simple.

Concernant le fonctionnement : la documentation d’OpenAI pour les éditeurs confirme que tout site public peut apparaître dans la recherche ChatGPT. L’inclusion dans les résumés et les citations dépend du fait de ne pas bloquer OAI-SearchBot ; toutefois, le placement n’est jamais garanti et le blocage de ce dernier n’entraîne pas nécessairement la suppression d’un site de tous les liens de navigation. De même, les aperçus IA de Google comptabilisent les clics sur les liens des aperçus IA comme des clics vers des pages externes, mais plusieurs sources peuvent corroborer une même réponse. Par conséquent, aucun site ne « possède » une position de classement comme c’est le cas pour les résultats organiques classiques.

Trois niveaux de mesure de la recherche par IA, avec la mise en garde habituelle pour chaque niveau.

Couche	Ce qu'il mesure	Exemple	Avertissement concernant la fiabilité
Visibilité	Que la marque apparaisse	Marque mentionnée dans ChatGPT	Échantillonné à partir d'un ensemble d'invites fourni par un fournisseur, et non à partir du trafic utilisateur observé ; résultats non déterministes d'une exécution à l'autre
Influencer	Que la marque soit citée, recommandée ou mentionnée	La marque figure parmi les fournisseurs recommandés.	La présence de citations est plus observable que les « recommandations », qui relèvent souvent d'une interprétation subjective d'un texte généré.
Résultat	La recherche par IA contribue-t-elle aux résultats commerciaux ?	La recommandation ChatGPT génère un prospect	Mesurable uniquement en cas de clic et d'en-tête de référence ; l'influence sans clic est affirmée, mais non suivie.

Pourquoi les rapports SEO traditionnels ne suffisent-ils pas ?

Les indicateurs SEO traditionnels conservent toute leur pertinence. Le positionnement, le trafic organique et le taux de conversion au dernier clic reflètent fidèlement le processus réel qui se déroule de bout en bout lors de la découverte et de la sélection d'entreprises par les internautes. Cependant, les recherches pilotées par l'IA ont ajouté des étapes à ce parcours, étapes qui échappaient aux rapports traditionnels. Cette section expliquera cet écart, en présentera les faits avérés et les hypothèses discutables, et proposera une méthode de reporting pour le combler.

Deux voyages différents

Lorsqu'une personne effectue une recherche sur Google de manière traditionnelle, son parcours est relativement linéaire : elle voit un résultat, clique dessus, consulte le site web, puis effectue une action. Chaque étape de ce parcours laisse une trace que les outils d'analyse ont été conçus pour enregistrer : impressions, clics, sessions, formulaires remplis, source de référence.

Une personne utilisant un moteur de recherche basé sur l'IA procède différemment. Elle pose une question plus conversationnelle, souvent plus longue. Elle reçoit une réponse synthétisée qui puise et combine plusieurs sources simultanément. Dans cette réponse unique, elle peut voir plusieurs entreprises comparées entre elles : prix, fonctionnalités, réputation – sans jamais voir de liste de liens classés parmi lesquels choisir. Ce n'est qu'après cette comparaison qu'elle décide de visiter ou non un site web, et beaucoup ne le font pas.

Ce dernier point est au cœur du problème de mesure : la visibilité et l’influence peuvent exister sans trafic de référence. Une marque peut être à l’origine de la formation d’une opinion, sans pour autant générer un nombre de sessions nul dans l’outil de mesure. Les rapports traditionnels, qui reposent presque entièrement sur le suivi des clics et des sessions, ne permettent pas nativement d’enregistrer ce phénomène.

Une illustration concrète (hypothétique)

Pour illustrer concrètement ce mécanisme, il s'agit d'un exemple fictif, et non d'un cas réel. Imaginez une entreprise SaaS recommandée par ChatGPT en réponse à la question : « Quelles sont les meilleures plateformes de gestion de projet pour une entreprise de 100 personnes travaillant à distance ? » L'utilisateur lit la recommandation et voit le nom de l'entreprise, mais ne clique pas dessus.

Le lendemain, cet utilisateur effectue une recherche Google sur le nom de la marque et s'inscrit ensuite à une démonstration. Les données de Google Analytics enregistrent cet événement comme une session de recherche organique. Il est impossible de suivre les informations relatives à la conversation précédente en raison de l'absence de clics, d'en-têtes de référence et de paramètres UTM.

Dans un tel scénario où le service marketing utilise uniquement la méthode de reporting « Dernier clic », le canal ChatGPT ne sera pas attribué à la conversion du prospect, même s'il a joué un rôle important dans la sensibilisation du client. Il ne s'agit pas d'un cas exceptionnel, mais plutôt de la norme attendue pour un canal qui génère régulièrement de l'influence sans clics.

La conclusion correcte est plus nuancée qu'il n'y paraît. Il n'est pas approprié de réattribuer cette conversion à ChatGPT, ni d'imputer les revenus générés à la recherche par IA. Ce faisant, on exagère les faits : il est impossible de confirmer que l'exposition à ChatGPT a provoqué la recherche ultérieure, seulement qu'elle l'a précédée et qu'elle en est un facteur plausible. L'affirmation défendable est la suivante : la recherche par IA a constitué un point d'influence observable dans le parcours de cet utilisateur, mais son attribution directe aux revenus n'a pas été établie. C'est cette distinction, qui sépare ce qui est avéré de ce qui est déduit, qui confère à ce type de rapport sa crédibilité et son caractère promotionnel.

Les données de clics sont contestées — et la partie contestée est importante.

Tout guide traitant de ce sujet finira par citer la position de Google sur la manière dont les aperçus de l'IA influencent le comportement de clic. Il est donc important de préciser quelle est cette position, d'où elle vient et comment elle se compare aux données indépendantes.

Déclaration de Google : Dans un article de blog répondant aux critiques externes, Liz Reid, vice-présidente de la recherche chez Google, a indiqué que les aperçus basés sur l’IA génèrent davantage de recherches, souvent plus longues et complexes que les requêtes traditionnelles. Elle a également précisé que le volume total de clics organiques provenant de la recherche vers les sites web est resté relativement stable d’une année sur l’autre, et que Google envoie légèrement plus de clics de qualité vers les sites web qu’il y a un an – c’est-à-dire des clics où les utilisateurs ne retournent pas immédiatement aux résultats de recherche, signe d’un intérêt réel. 

Le raisonnement avancé : plus de requêtes et plus de liens affichés par réponse créent davantage d’opportunités de clic, et pour les questions où les gens veulent approfondir au-delà d’une réponse rapide, ils cliquent tout de même, et ces clics sont alors plus ciblés.

Il convient de prendre cela au sérieux, mais il ne faut pas le considérer comme neutre. Cet article a été publié dans le but précis de réfuter des recherches menées par des tiers, ne contient aucune donnée chiffrée ni méthodologie à l'appui, et émane de l'entreprise dont le produit est visé par l'affirmation. Google a un intérêt commercial direct à ce que les éditeurs et les annonceurs croient que les aperçus basés sur l'IA n'ont pas nui au trafic de référence ; la coopération des éditeurs et les licences de contenu, la confiance des annonceurs et le contrôle réglementaire dépendent en partie de cette conviction.

Ce que les recherches indépendantes ont révélé :

• Pew Research Une étude portant sur près de 69 000 recherches réelles effectuées par 900 adultes américains a révélé que lorsqu'une recherche déclenchait l'affichage d'un aperçu par IA, seulement 8 % des utilisateurs cliquaient sur un lien, contre 15 % en l'absence d'aperçu. Cela représente environ la moitié du taux de clics.
• Des analyses basées sur Search Console, réalisées par des chercheurs SEO indépendants, comparant les mêmes ensembles de mots clés avant et après le déploiement des aperçus de l'IA sur un marché donné, ont fait état de baisses du taux de clics de l'ordre de 30 à 35 %.
• Bord brillant, une plateforme de référencement pour entreprises, indique que les aperçus IA apparaissent désormais dans plus de 11 % des requêtes, soit une augmentation d'environ 22 % par rapport à l'année précédente, et que le volume de requêtes longues et complexes déclenchant ces aperçus a augmenté d'environ 49 % sur la même période, ce qui confirme l'affirmation de Google concernant la complexité des requêtes, même si d'autres données contredisent son affirmation concernant la stabilité des clics.
• Depuis, Google a étendu ses aperçus IA pour prendre en charge les questions de suivi intégrées aux réponses et a fait d'un modèle plus performant le moteur par défaut qui les sous-tend – des changements qui maintiennent les utilisateurs plus longtemps dans la réponse de l'IA, réduisant ainsi la probabilité qu'ils cliquent sur un lien.

Il existe également une raison structurelle de se méfier de toute comparaison précise entre la présentation de Google et les données indépendantes : Google Search Console ne permet toujours pas aux propriétaires de sites de dissocier les impressions et les clics de la vue d'ensemble de l'IA des performances de recherche organique classiques. Les propriétaires de sites ne peuvent donc pas vérifier indépendamment les affirmations de Google à l'aide de leurs propres données, même s'ils le souhaitaient. Cette asymétrie – la partie qui avance ces affirmations rassurantes contrôlant le seul système capable de les vérifier – justifie à elle seule d'accorder plus d'importance aux données provenant de sources indépendantes.

Rien de tout cela ne signifie que les aperçus IA sont systématiquement néfastes pour le trafic de référence, ni que les affirmations de Google sont mensongères. Le volume de requêtes semble effectivement augmenter, et il est plausible que les utilisateurs qui cliquent sur un aperçu IA soient plus avancés dans leur processus de décision et donc plus susceptibles de convertir une fois arrivés sur la page. Les analyses de Google (clics de qualité) et de BrightEdge (progression dans le tunnel de conversion) convergent d'ailleurs. Cependant, le volume de clics atteignant les sites tiers semble avoir sensiblement diminué, même si les clics restants affichent un taux de conversion plus élevé. Ces deux phénomènes peuvent coexister, et un rapport se limitant à l'analyse de Google sous-estimerait l'ampleur du changement que les entreprises doivent anticiper.

Qu’est-ce que cela signifie pour un modèle de reporting ?

Concrètement, il ne s'agit pas d'abandonner les rapports SEO pour les remplacer par des rapports de recherche basés sur l'IA. Il s'agit plutôt d'élargir le modèle de mesure afin que les deux puissent coexister sans qu'aucun ne prenne le pas sur l'autre.

• Conservez les rapports sur le dernier clic et les conversions assistées comme base. Ils demeurent le seul niveau d'attribution fiable et vérifiable, et ne doivent pas être écartés sous prétexte qu'ils sont incomplets.
• Suivez la visibilité de l'IA comme une couche distincte et clairement identifiée (mentions de marque, présence dans les citations et comparaison concurrentielle au sein des réponses de l'IA) à l'aide d'un échantillon cohérent et divulgué de requêtes, exécutées à intervalles réguliers. Présentez ces données comme un indicateur échantillonné, et non comme une mesure de trafic, et indiquez la taille de l'échantillon et la méthodologie à côté des chiffres.
• Privilégiez les signaux indirects d'influence plutôt que d'établir une attribution directe. Une hausse du volume de recherches de marque, du trafic direct ou des demandes de démonstration, sans lien avec une modification de campagne payante ou organique, constitue un signal pertinent à examiner. Il convient notamment de vérifier si la visibilité de l'IA pour les requêtes pertinentes a augmenté à peu près au même moment. Il s'agit d'une corrélation à signaler, et non d'une relation de cause à effet.
• Considérez les affirmations publiées par les plateformes concernant leur propre impact comme un élément parmi d'autres, et non comme une conclusion. Lorsqu'une déclaration d'une plateforme sur le comportement des clics, la stabilité du trafic ou la satisfaction des utilisateurs ne peut être vérifiée indépendamment à l'aide des outils mis à la disposition des propriétaires de sites, pondérez-la en conséquence et citez les recherches indépendantes en parallèle, même si elles sont contradictoires.
• Il convient de bien distinguer ce qui est illustratif de ce qui est documenté. Les exemples de cas utilisés pour expliquer un mécanisme doivent être clairement identifiés comme hypothétiques ou anonymisés, et les affirmations fondées sur une étude spécifique ou une déclaration d'entreprise doivent être attribuées et datées, car il s'agit d'un domaine en constante évolution où une affirmation exacte il y a six mois peut déjà être obsolète.

Que faut-il mesurer dans la recherche par IA ?

Le système de reporting de recherche IA le plus performant combine des indicateurs de visibilité, de trafic, d'engagement, de conversion et des indicateurs commerciaux.

Un client n'a pas forcément besoin de toutes les données chaque mois, mais votre système de mesure interne doit être capable de les enregistrer.

Mesures de visibilité de l'IA

Ces éléments répondent à la question :

« Est-ce que des systèmes d'IA font surface concernant cette marque ? »

Piste:

• taux de mention de la marque
• Taux de citation
• Taux de recommandation
• Taux d'inclusion
• Part de visibilité de l'IA
• Part des sources citées
• Couverture rapide
• Inclusion des concurrents
• Positionnement de la marque dans les recommandations de l'IA
• Fréquence de citation de la source/page
• Visibilité par sujet
• Visibilité selon l'intention de recherche

Un taux de visibilité IA simple peut être calculé comme suit :

Taux de visibilité de l'IA = Nombre d'invites où la marque apparaît ÷ Nombre total d'invites suivies × 100

Par exemple, si une entreprise apparaît dans 42 des 100 invites suivies :

42 ÷ 100 × 100 = 42 % de taux de visibilité de l'IA

Cela ne correspond pas à la part de marché ou à la part de trafic. Il s'agit simplement d'une mesure de la visibilité sur l'ensemble de messages que vous avez défini.

Métriques de citation

La mesure des citations va bien au-delà des simples mentions de marque.

Piste:

• Nombre de citations
• Taux de citation
• URL uniques citées
• Fréquence de citation par page
• Fréquence de citation par sujet
• Fréquence de citation par plateforme
• Part de citation des concurrents
• Persistance des citations au fil du temps

Par exemple, si le nom de l'entreprise apparaît 60 fois mais que son site web n'est mentionné que 12 fois, il est important de comprendre la différence entre la visibilité de la marque et l'autorité de la source.

Cette différence peut vous mener à une technique d'optimisation très utile.

Indicateurs de trafic de référence

Ces réponses :

« Est-ce que les gens accèdent réellement au site web depuis des plateformes d'IA ? »

Piste:

• Utilisateurs
• Sessions
• Séances engagées
• Taux d'engagement
• Les pages de destination
• Nouveaux utilisateurs
• Utilisateurs connus
• Pages par session
• Temps d'engagement moyen
• Conversions
• du taux de conversion
• Revenu
• Conversions assistées

En 2026, Google Analytics a introduit un canal dédié aux assistants IA, permettant aux spécialistes du marketing d'identifier le trafic provenant d'assistants IA reconnus et de le comparer aux canaux traditionnels.

Indicateurs de résultats commerciaux

Voici les indicateurs qui importent finalement aux clients :

• Conduit
• Prospects qualifiés
• Demandes de démo
• Achats
• Le procès commence
• Opportunités de vente
• Valeur du pipeline
• Revenus acquis
• Coût d'acquisition client
• Revenu par visiteur
• Valeur à vie du client
• Retour sur investissement

La hiérarchie hiérarchique devrait donc évoluer comme suit :

Visibilité → Trafic → Engagement → Conversion → Revenus

plutôt que de s'arrêter à :

Visibilité → Trafic

Modèle de mesure de la visibilité de la recherche IA

Une manière efficace d'expliquer le retour sur investissement de la recherche IA aux clients consiste à cartographier les points de contact qu'un utilisateur peut parcourir, tout en précisant que la plupart des utilisateurs ne les parcourent pas tous, ni dans cet ordre. Il ne s'agit pas d'un entonnoir au sens classique du terme, car un entonnoir implique qu'à chaque étape, un sous-ensemble d'utilisateurs progresse depuis l'étape précédente. Or, le processus de recherche IA ne suit pas cette règle : une personne peut passer directement de la première interaction à la conversion, sans aucune étape intermédiaire.

Le modèle ci-dessous est une carte des points de contact possibles, et non un processus.

Point de contact 1 : Présence

La marque apparaît dans une réponse générée par IA à une requête pertinente.

Il s'agit du premier signal observable, mais aussi du moins précis à mesurer. On le suit généralement en diffusant régulièrement sur une plateforme un ensemble fixe et divulgué de requêtes types. Il ne s'agit pas d'un décompte des interactions réelles des utilisateurs, car aucun outil actuel ne permet aux marques de connaître le volume réel des conversations avec l'IA à grande échelle. Présentez ce signal comme un indicateur échantillonné, en précisant l'ensemble des requêtes et la taille de l'échantillon, et non comme un chiffre de trafic.

Point de contact 2 : Citation

Le système d'IA cite le contenu de l'entreprise comme source, avec ou sans lien.

Il convient de suivre les citations indépendamment des recommandations, car elles ne sont pas intrinsèquement positives. Une marque peut être citée dans un contexte négatif ou neutre : « La société X a subi une fuite de données en 2024, selon [source] » est une citation. Comptabiliser les citations sans tenir compte du sentiment ou du contexte risque de faire apparaître un nombre croissant de citations qui, en réalité, sont de mauvaises nouvelles.

Point de contact 3 : Recommandation

Le système d'IA positionne l'entreprise comme une option suggérée, comparable à une présélection.

Il s'agit d'un signal plus fort et plus distinct qu'une simple citation, car il implique que le modèle considère la marque comme une réponse pertinente au besoin de l'utilisateur, et non comme une simple source d'information. De plus, il est plus difficile à mesurer avec précision : la question de savoir s'il s'agissait d'une recommandation relève davantage d'une interprétation subjective du texte généré que celle de savoir s'il s'agissait d'une citation, qui peut au moins parfois être confirmée par un lien visible.

Point de contact 4 : Orientation

L'utilisateur clique pour accéder au site web à partir de la réponse de l'IA.

C’est ici que les outils d’analyse standard deviennent directement utiles : la source de référence, les paramètres UTM (lorsque les plateformes les prennent en charge) et les données de session s’appliquent de la même manière que pour la recherche traditionnelle. De plus, selon une étude de Pew Research portant sur 69 000 recherches, il s’agit d’un point de contact qu’une minorité d’utilisateurs de la vue d’ensemble de l’IA atteint : seulement 8 % cliquent dessus, contre 15 % pour les résultats de recherche standard. Cet écart permet d’anticiper la visibilité de votre activité de présence et de citation ici.

Point de contact 5 : Engagement

L'utilisateur consulte les informations, visualise les pages produits/prix, télécharge une ressource ou interagit avec le site web d'une autre manière.

Une fois la session établie, elle est entièrement mesurable à l'aide d'outils d'analyse standard. La question qui se pose ici n'est pas la mesure, mais l'attribution aux points de contact 1 à 3 lorsque la session ne provient pas d'un clic de redirection direct via l'IA.

Point de contact 6 : Conversion

Le visiteur soumet un formulaire, réserve une réunion, commence un essai ou effectue une autre action définie.

Mesurable directement lorsque la session est liée à une recommandation par IA. Non mesurable directement — seulement inférable — lorsque la conversion intervient ultérieurement, par un autre canal, sans lien direct au niveau de la session avec l'exposition initiale à l'IA.

Point de contact 7 : Revenus

La conversion se traduit par des revenus en cours ou des revenus déjà acquis.

Même contrainte que pour le point de contact 6 : entièrement attribuable lorsque la chaîne de sessions est ininterrompue, seulement déductible lorsqu’elle ne l’est pas.

Deux chemins, représentés explicitement plutôt que lissés en une seule ligne

• Parcours complet : Un utilisateur clique sur un lien Perplexity, arrive sur le site, consulte les prix et effectue un achat au cours de la même session. Chaque interaction, depuis la recommandation, est directement mesurable.
• Parcours express : Un utilisateur remarque que la marque est mentionnée par ChatGPT, ne clique sur rien et effectue une conversion deux jours plus tard via une recherche de marque directe.
• Le point de contact 1 (et peut-être le 3) a eu lieu, contrairement aux points de contact 4 et 5. Le point de contact 6 est évident, mais le lien entre les points de contact 1 et 6 est déduit de la logique et non étayé par des preuves.

Comment mesurer le trafic et les conversions de ChatGPT ?

ChatGPT est devenu particulièrement important pour la mesure de la recherche par IA car son expérience de recherche Web peut fournir aux utilisateurs des sources citées et des liens vers des sites Web.

Selon OpenAI, ChatGPT Search permet la recherche web, l'analyse des citations et la création de liens vers des sites web pertinents. Toujours selon OpenAI, les éditeurs autorisant l'accès à OAI-SearchBot peuvent analyser le trafic de référence grâce à des outils analytiques, car ChatGPT ajoute systématiquement utm_source=chatgpt.com à l'URL de référence.

Cela offre aux spécialistes du marketing un outil de mesure directe très utile.

Commencez par le trafic de référence.

Dans GA4, étudiez le trafic lié à ChatGPT et aux assistants IA au lieu de supposer que tout le trafic IA sera catégorisé sous un terme de référence général.

Regarder:

• Matériau
• Moyenne
• Campagne
• Landing page
• Source de la session
• Événements de conversion
• Revenu

Le canal AI Assistant de Google Analytics est particulièrement utile car le trafic provenant de l'assistant IA peut désormais être regroupé séparément au lieu d'être mélangé au trafic de référence ordinaire.

Ne vous arrêtez pas aux séances

Un rapport indique :

« ChatGPT a généré 1 250 sessions. »

ne prouve pas la valeur marketing.

Un rapport plus complet indique :

« ChatGPT a généré 1 250 sessions, 94 demandes de démonstration, 31 opportunités qualifiées et un pipeline de 82 000 $. »

Le deuxième rapport fournit au client des éléments concrets sur lesquels il peut agir.

Suivre les pages de destination

Il s'agit de l'un des indicateurs de diagnostic les plus utiles.

Si les plateformes d'IA envoient régulièrement des visiteurs vers :

• Pages comparatives,
• Pages de tarification,
• Pages produits,
• Guides de mise en œuvre,
• Guides d'achat,
• Recherche originale,

Vous pouvez découvrir quel type de contenu est performant dans la découverte pilotée par l'IA.

Ces informations devraient influencer la stratégie de contenu.

Comment mesurer le trafic de perplexité ?

La perplexité doit être mesurée de la même manière que pour ChatGPT au niveau de la référence, mais elle doit également être évaluée indépendamment car les plateformes d'IA ne font pas nécessairement remonter les mêmes sources à une même question.

Une marque performante sur ChatGPT peut avoir de mauvais résultats sur Perplexity.

Il ne s'agit pas forcément d'un problème de suivi. Cela peut indiquer des différences dans la sélection des sources, l'interprétation des requêtes, la fraîcheur des données ou la pertinence du contenu.

Créer un profil source Perplexity

Piste:

• séances de référence pour la perplexité
• Les pages de destination
• Engagement des équipes
• Conversions
• Revenu
• Pages les plus citées
• Sujets générant des citations
• Présence de concurrents
• Fréquence de citation
• Changements au fil du temps

L’objectif n’est pas de prouver que Perplexity est « meilleur » que ChatGPT.

L’objectif est de comprendre si différents environnements de recherche par IA exposent la marque à des publics ou à des intentions différents.

L'information importante n'est pas nécessairement que ChatGPT ait généré le plus de trafic.

La perplexité pourrait générer moins de visiteurs, mais des prospects de meilleure qualité.

C’est pourquoi le volume de trafic à lui seul est un indicateur de performance clé (KPI) faible pour la recherche en IA.

Comment mesurer les performances de Google AI Overview ?

Les aperçus de l'IA de Google nécessitent une approche de mesure différente car l'interaction se produit au sein de la recherche Google.

L'évolution importante pour les spécialistes du marketing est que Google Search Console dispose désormais d'un rapport de performance de l'IA générative, actuellement déployé auprès d'un sous-ensemble de propriétaires de sites Web, qui fournit des données d'impressions provenant des fonctionnalités d'IA générative de Google Search, notamment les aperçus de l'IA et le mode IA.

Il s'agit d'une amélioration majeure par rapport au recours exclusif à des mesures indirectes.

Aperçu de l'IA de mesure impressions

Le rapport de Google peut indiquer :

• Impressions de recherche générées par l'IA
• Pages recevant des impressions
• Pays
• Appareil
• Tendances temporelles

Le rapport couvre actuellement les aperçus de l'IA et le mode IA, Google précisant que la liste des fonctionnalités prises en charge pourrait s'élargir au fil du temps.

Comprendre ce que signifie une impression d'aperçu de l'IA

Une impression d'aperçu IA ne signifie pas que quelqu'un a cliqué sur votre site web.

Cela signifie qu'un lien vers votre site a été affiché dans une fonctionnalité d'IA générative.

Google explique que les liens contenus dans les vues d'ensemble IA peuvent recevoir des clics, et que ces liens se voient attribuer la même position dans les rapports de position de la Search Console.

Par conséquent, ne signalez pas :

« Nous avons obtenu 100 000 impressions grâce à AI Overview, ce qui signifie que 100 000 personnes ont été contactées par des internautes. »

C'est incorrect.

L'interprétation correcte est :

« Nos pages ont été affichées 100 000 fois sous forme de liens dans les expériences de recherche génératives de l’IA de Google. »

Combinez Search Console et GA4

La configuration de reporting la plus performante utilise les deux plateformes.

Search Console vous indique :

• Visibilité de l'IA
• impressions
• pages
• requêtes
• clics

GA4 vous dit :

• rameur,
• participation
• conversions
• hausse du

Ensemble, elles offrent une vision beaucoup plus claire que chacune des plateformes prises individuellement.

La différence entre visibilité, trafic et retour sur investissement

C’est cette section qu’il faut expliquer avec le plus de soin, car c’est là que les rapports de recherche par IA deviennent le plus souvent trompeurs, généralement non pas par malhonnêteté, mais en regroupant plusieurs variables indépendantes en un seul chiffre d’apparence simple.

Une entreprise peut avoir simultanément :

• Haute visibilité + faible circulation
• Faible visibilité + taux de conversion élevé
• Forte visibilité + trafic important + faibles revenus
• Visibilité modérée + faible trafic + valeur client très élevée

Il ne s'agit pas de différents degrés d'un même résultat, mais de différentes combinaisons de variables indépendantes. Chaque combinaison révèle un problème ou une opportunité différente : un problème de visibilité, de ciblage, de prix/d'offre, ou de valeur du segment. Considérer la « visibilité » comme un simple indicateur censé être corrélé au chiffre d'affaires masque la réalité de ces différents phénomènes.

La visibilité ne génère pas de revenus.

Pour illustrer ce mécanisme, prenons un exemple fictif, et non un cas réel : imaginons que la marque A apparaisse dans 80 % des requêtes d’IA suivies dans son échantillon. Cela semble prometteur, mais si la plupart de ces requêtes sont informatives (« qu’est-ce qu’un logiciel de comptabilité ? », « comment fonctionne la comptabilité en nuage ») et qu’aucun des utilisateurs concernés n’est sur le point de prendre une décision d’achat, la valeur commerciale de cette visibilité risque d’être limitée.

Imaginez maintenant que la marque B n'apparaisse que dans 35 % des messages suivis, mais que ces messages incluent :

• « Meilleur logiciel de comptabilité pour les petites entreprises »
• « Tarification des logiciels comptables »
• « alternatives à [concurrent] »
• « Meilleur logiciel de comptabilité pour les entreprises de construction »

La marque B a une visibilité brute plus faible, mais apparaît dans les requêtes beaucoup plus proches de la décision d'achat. Un rapport indiquant seulement « 80 % contre 35 % » classerait la marque A devant la marque B sur le critère le moins pertinent et derrière elle sur le critère le plus important.

Ceci nous amène au principe de fonctionnement suivant : la visibilité de l’IA doit être pondérée par l’intention de recherche, et non considérée comme un score unique et indifférencié. Mais ce principe requiert une méthodologie cohérente et transparente quant à ses propres limites – limites que la version ci-dessous s’efforce de mettre en évidence.

Élaboration d'un score de visibilité pondéré par l'intention, en tant que méthodologie divulguée et non en tant que mesure objective

Commencez par corriger les catégories. Une taxonomie d'intention courante en quatre parties, adaptée de la classification traditionnelle des intentions SEO, est la suivante :

Intention	Description
D'information	Se renseigner sur un sujet, sans pour autant inciter à l'achat (« qu'est-ce qu'un logiciel de comptabilité ? »)
Navigation	Recherche d'une marque ou d'un produit spécifique connu (« Connexion à l'entreprise X »)
Enquête commerciale	Comparer les options avant de décider (« meilleur logiciel de comptabilité pour les petites entreprises »)
Transactionnel	Prêt à agir (« prix des logiciels de comptabilité », « acheter », « s’inscrire »)

L'intention de navigation doit figurer dans ce tableau même si elle a souvent peu de valeur commerciale pour quiconque autre que la marque recherchée directement ; la présence d'un concurrent dans les résultats de navigation pour le nom de votre marque constitue un signal différent (visibilité défensive) que sa présence dans les résultats transactionnels pour un terme de catégorie.

Deuxièmement, attribuez des pondérations, mais considérez ces pondérations spécifiques comme un choix discrétionnaire assumé, et non comme un fait établi. Un point de départ :

Intention	Poids suggéré
D'information	1
Navigation	1
Enquête commerciale	2
Transactionnel	4

Ces pondérations ne sont pas issues des données de ce cadre ; elles reflètent une hypothèse selon laquelle l'intention transactionnelle a environ deux fois plus de valeur que l'enquête commerciale et quatre fois plus de valeur que le contenu informationnel. 

Une entreprise différente, avec un cycle de vente plus long ou plus court, pourrait raisonnablement utiliser une échelle différente ; une entreprise avec un long cycle de vente aux entreprises pourrait accorder plus d'importance à l'étude commerciale par rapport à l'étude transactionnelle, étant donné que les requêtes d'IA à intention transactionnelle existent à peine pour les achats à six chiffres.

Les pondérations doivent être explicitement indiquées dans tout rapport utilisant ce score et doivent rester fixes d'une période à l'autre afin que le score soit au moins comparable à lui-même au fil du temps, même s'il n'est pas comparable entre les agences ou les comptes utilisant des pondérations différentes.

Troisièmement, calculez :

Visibilité de l'IA pondérée par l'intention = Σ (Visibilité % × Poids de l'intention) ÷ Visibilité pondérée maximale possible

Quatrièmement — et c’est l’étape généralement ignorée —, indiquez ce que sont réellement les chiffres de visibilité des entrées. 

Le « pourcentage de visibilité » dans cette formule est une estimation basée sur un échantillon limité d'interactions suivies, et non sur un recensement de l'exposition réelle des utilisateurs (voir le point de contact « Présence » évoqué précédemment dans ce modèle de rapport). Multiplier une estimation par un coefficient de pondération subjectif et additionner les résultats par catégorie ne les rend pas plus précis ; cela superpose deux niveaux d'incertitude en un seul pourcentage d'apparence simple. Un rapport qui affiche « Visibilité de l'IA pondérée par l'intention : 62 % » sans préciser la taille de l'échantillon, la liste des interactions et le système de pondération utilisé donne l'illusion d'une précision supérieure à la réalité.

Comment signaler cela de manière responsable ?

• Indiquez l'échelle de pondération utilisée à chaque fois que le score apparaît, et pas seulement dans une annexe méthodologique.
• Indiquez le nombre et la liste des invites à partir desquelles les pourcentages de visibilité ont été échantillonnés.
• Considérez l'évolution du score d'une période à l'autre (en utilisant les mêmes pondérations et le même ensemble d'invites) comme le signal utile, et non le nombre absolu isolément, qui n'a de sens que par rapport à votre propre échelle choisie.
• Associez le score à la ventilation sous-jacente par catégorie d'intention, afin qu'une partie prenante puisse voir si une hausse du score est due à une meilleure visibilité transactionnelle (ce qui est vraiment positif) ou à une meilleure visibilité informationnelle (ce qui est moins significatif), plutôt que de se fier à un seul chiffre composite.

Comment créer un tableau de bord de retour sur investissement pour la recherche IA ?

Un bon tableau de bord de recherche IA ne doit pas ressembler à un tableau de bord SEO traditionnel auquel on aurait ajouté « ChatGPT » comme source de trafic supplémentaire. Il doit répondre à cinq questions métiers et, à chaque niveau, indiquer clairement, visuellement et textuellement, quelles données sont mesurées directement, lesquelles sont des estimations et lesquelles sont déduites. Le fait de regrouper ces trois catégories dans un seul tableau uniforme est la principale erreur commise par ces tableaux de bord pour induire en erreur les décideurs.

Question 1 : Sommes-nous visibles ?

• Taux de visibilité de l'IA — estimation par échantillonnage
• Taux de citation — estimation par échantillonnage, partiellement observable sur les plateformes qui exposent les citations
• Taux de recommandation — estimation échantillonnée, niveau de confiance le plus faible (lecture subjective du texte généré)
• Part de visibilité de l'IA (par rapport aux concurrents) — estimation par échantillon
• Visibilité des concurrents — estimation par échantillonnage

Chaque indicateur de cette section est calculé à partir de l'exécution régulière d'une série fixe et divulguée de requêtes via des plateformes d'IA. Il ne s'agit en aucun cas d'un décompte de l'exposition réelle des utilisateurs ; aucun outil actuel ne le permet. Veuillez inclure la taille de l'échantillon et la liste des requêtes dans vos rapports, et veiller à ce que la méthodologie reste constante d'une période à l'autre, sans quoi les variations observées deviennent ininterprétables.

Question 2 : Où sommes-nous visibles ?

Les plateformes ne sont pas mesurables de manière égale, et le tableau de bord devrait l'indiquer plutôt que de les lister sur des lignes parallèles :

• Plateforme complète Mesurabilité
• Perplexité Niveau modéré — les citations et les liens sont souvent visibles et vérifiables.
• ChatGPT Niveau modéré — les citations sont parfois visibles ; l’accès à l’exploration par OAI-SearchBot influe sur l’inclusion, mais le volume réel des conversations n’est pas observable de l’extérieur.
• Aperçus de l'IA de Google Faible — Search Console ne dissocie pas les clics ou les impressions de la vue d'ensemble de l'IA des données organiques standard.
• Mode IA de Google Faible — même limitation, aggravée par les flux de conversation ultérieurs qui retiennent les utilisateurs plus longtemps sur Google.
• GEMINI Très faible — visibilité externe minimale sur le contenu réel des conversations des consommateurs
• Claude Très faible — même limitation

Fournissez un rapport de visibilité plateforme par plateforme, mais ne laissez pas un client supposer que le chiffre de Gemini offre le même niveau de confiance que celui de Perplexity.

Question 3 : Quel contenu est mis en évidence ?

• Pages les plus citées — directement observables là où les plateformes exposent les liens de citation
• Pages de destination les plus performantes — directement mesurables via les outils d'analyse, une fois la session commencée
• Sujets et catégories de requêtes — estimation par échantillonnage, tirée du même ensemble de requêtes que la visibilité
• Formats de contenu — estimation par échantillonnage

Question 4 : Les gens participent-ils ?

• Sessions, taux d'engagement, durée moyenne d'engagement, pages par session, événements clés — tous ces éléments sont directement mesurables via les outils d'analyse standard, mais uniquement pour la partie du parcours incluant un clic. 
• C’est à ce stade du modèle (à partir de la section Référence) que la confiance augmente brusquement par rapport à la couche Présence/Citation située au-dessus ; cette augmentation doit être visible dans l’organisation du tableau de bord et non pas être lissée.

Question 5 : Produit-il de la valeur commerciale ?

• Les prospects, les prospects qualifiés, les opportunités — directement mesurables lorsque la session est liée à une recommandation par IA ; déduits lorsqu'un prospect se convertit sans session traçable initiée par une IA entre-temps.
• Revenus, pipeline — même répartition que ci-dessus.
• Conversions indirectes — inférées par conception : cette mesure existe spécifiquement pour mesurer l’influence sans attribution directe et doit être considérée comme un résultat de modèle, et non comme un fait mesuré.
• ROI — calculable avec certitude uniquement sur le sous-ensemble mesuré directement ; tout chiffre de ROI incluant un pipeline ou des revenus inférés doit le préciser explicitement.

Un tableau de bord exécutif pratique

Le tableau ci-dessous distingue les mesures effectuées directement de celles qui sont échantillonnées et inférées, au lieu de présenter les sept avec une précision identique.

Mesuré directement (analyse standard, traçable jusqu'à une référence via une plateforme d'IA)

KPI	Période actuelle	Période précédente	Changer
Séances de recommandation IA	4,210	2,980	+ 41%
Leads IA (tracés par recommandation)	186	109	+ 71%
Prospects qualifiés (issus de recommandations)	58	31	+ 87%

Estimations échantillonnées (ensemble fixe de [N] invites, exécution [mensuelle/trimestrielle], méthodologie maintenue constante — indiquez N et la liste des invites dans une annexe)

KPI	Période actuelle	Période précédente	Changer
Taux de visibilité de l'IA	48 %	37 %	+11 point
Citations IA (dans l'échantillon)	384	241	+ 59%

Déduit / modélisé (non directement traçable — dérivé de la corrélation entre les tendances de visibilité et l'activité de conversion non attribuée, par exemple les augmentations de trafic direct ou de recherche de marque non expliquées par d'autres activités de campagne)

KPI	Période actuelle	Période précédente	Changer	Base du modèle
Pipeline influencé par l'IA	312K $	178K $	+ 75%	Augmentation corrélée des recherches de marque et des conversions directes pendant les périodes de visibilité accrue (non suivies par session).
Revenus attribués à l'IA — renommer « Revenus corrélés à l'IA » —	96K $	51K $	+ 88%

Le changement de nom dans la dernière ligne est important : « attribué » sous-entend un lien de causalité identifiable, ce qui n’est pas le cas pour cette donnée. « Corrélé » indique ce que l’on sait réellement : la valeur a évolué en fonction de la visibilité, et non l’inverse.

Interprétation écrite — obligatoire, non facultative

Le tableau de bord doit comporter, à chaque période de reporting, une courte section écrite qui remplit trois fonctions :

• Indique clairement à quel niveau (parmi les trois) appartient chaque chiffre principal, avant même que le client ne prenne connaissance du pourcentage de variation.
• Signale toute période où la tendance n'est pas uniformément positive et explique pourquoi — si chaque indicateur progresse simultanément à chaque période sans exception, cela mérite d'être examiné de près plutôt que d'être présenté comme une réussite sans faille.
• Il convient d'indiquer clairement les conditions nécessaires pour que les chiffres de classement déduits soient erronés ; par exemple, une campagne publicitaire payante ou un pic saisonnier de la demande pourraient tout aussi bien expliquer une hausse des recherches de marque, indépendamment de la visibilité liée à l'IA. Nommer l'explication alternative et justifier son exclusion ou non est ce qui distingue une interprétation crédible d'un récit construit pour justifier le maintien de la prestation.

Comment attribuer les prospects et les revenus à la recherche par IA ?

L'attribution est l'aspect le plus complexe du reporting d'attribution de recherche par IA, et il est essentiel d'en comprendre la raison : le parcours client comprend généralement des points de contact qui se répartissent en deux catégories fondamentalement différentes : ceux que l'analyse peut observer et ceux qu'elle ne peut pas. C'est en confondant les deux, ou en appliquant un seul ensemble de modèles aux deux, que la plupart des rapports d'attribution de recherche par IA échouent.

Prenons l'exemple d'une version réaliste, au niveau de la session, du parcours client :

1. Voir l'entreprise mentionnée dans une réponse de ChatGPT. (aucune session — impossible à suivre)
2. Deux jours plus tard, il recherche l'entreprise par son nom sur Google et arrive sur son site. (session 1 — biologique, traçable)
3. Il revient trois jours plus tard via le trafic direct et consulte les pages produits. (session 2 — directe, traçable)
4. Soumet un formulaire de demande de démonstration. (événement de conversion — traçable)
5. Il discute avec le service commercial et devient client. (suiviable, hors ligne)

Il est injustifié de reverser 100 % des revenus générés à ChatGPT : aucune donnée ne confirme que ChatGPT a provoqué la recherche ultérieure, seulement qu'il l'a précédée. Ne rien reverser à ChatGPT revient à ignorer un point de contact réel et observable dont le client pourrait ultérieurement confirmer l'influence. La solution n'est pas de choisir un modèle intermédiaire, mais de reconnaître que la première étape échappe à tout modèle analytique et nécessite un mécanisme entièrement différent.

Catégorie A : Modèles pour le parcours traçable (Étapes 2 et suivantes)

Ces quatre modèles fonctionnent tous à partir des mêmes données sous-jacentes (informations de session et de canal collectées par l'analyse) et ne diffèrent que par la manière dont ils répartissent le crédit entre ces données. Aucun d'eux ne peut accéder à l'étape 1, quel que soit le modèle utilisé.

• Attribution de dernière minute : Le mérite revient à la dernière source suivie avant la conversion — ici, la session directe de l'étape 3. Facile à comprendre et à mettre en œuvre, mais sous-estime systématiquement tout ce qui se trouve en amont, y compris l'exposition ChatGPT et la recherche organique antérieure.
• Attribution au premier contact : Le mérite revient au premier suivi La source ? La recherche organique de l’étape 2, et non l’exposition ChatGPT de l’étape 1, qui n’a généré aucun événement traçable. Il est important de le préciser : dans un parcours comme celui-ci, l’attribution au « premier contact » attribue à tort à la recherche organique une valeur de découverte qu’elle n’a en réalité pas apportée. L’attribution au premier contact répond à la question « quel est le premier contact visible ? », et non à la question « quel est l’élément qui s’est réellement produit en premier ? ».
• Attribution basée sur la position : Le crédit est réparti entre le premier et le dernier contact enregistré (étapes 2 et 3), une part plus faible étant attribuée aux interactions intermédiaires. Ce modèle reflète mieux un parcours utilisateur sur plusieurs sessions que les modèles à contact unique, mais reste néanmoins limité à la moitié du parcours enregistrée.
• Attribution basée sur les données : Lorsque le volume de conversions est suffisant, la plateforme analytique estime statistiquement la contribution de chaque canal suivi en se basant sur les tendances observées sur de nombreux parcours clients. Il s'agit de la méthode la plus rigoureuse des quatre, mais « rigoureuse » signifie ici rigoureuse quant aux données auxquelles elle a accès, ce qui exclut toujours totalement l'étape 1.

Il est préférable de présenter plusieurs de ces quatre modèles côte à côte plutôt que d'en choisir un seul, car chacun répond à une question légèrement différente et aucun modèle n'est unique et « correct ». Cependant, il convient de préciser à vos clients que, collectivement, ces quatre modèles ne décrivent que la seconde moitié de parcours comme celui décrit ci-dessus.

Catégorie B : Saisir le contact impossible à quantifier — l’influence de l’IA autodéclarée

La première étape requiert un mécanisme totalement différent, car il ne s'agit pas d'un problème de mesure que l'outil d'analyse peut résoudre, mais d'un problème de collecte de données. Les deux outils classiques sont un champ « Comment avez-vous entendu parler de nous ? » sur le formulaire de conversion et une question de suivi lors de l'entretien commercial.

Ces données doivent être présentées dans une catégorie distincte – « influence de l’IA autodéclarée » – et ne jamais être intégrées à la ligne « revenus attribués à l’IA confirmés ». Cette distinction préserve la crédibilité du rapport, mais elle doit tenir compte des limites de fiabilité inhérentes aux données autodéclarées, bien documentées dans les études de marché en général et applicables ici sans modification.

• biais de récence et de saillanceLes clients ont tendance à citer le point de contact le plus récent ou le plus mémorable, et pas forcément le tout premier ; un client pourrait citer ChatGPT parce que c’est nouveau et que cela lui vient immédiatement à l’esprit, même si une recherche Google antérieure est venue en premier.
• Désirabilité sociale et biais narratif: il arrive que les clients mentionnent le canal qui semble le plus intéressant (« J'ai posé la question à ChatGPT ») plutôt qu'un canal banal (« J'ai fait une recherche sur Google »), indépendamment de ce qui s'est réellement passé.
• Taux de réponse faibles et asymétriquesLes champs « Comment avez-vous entendu parler de nous ? » sont souvent ignorés, et les clients qui répondent ont tendance à être plus engagés que la moyenne, ce qui peut amplifier l'influence perçue de l'IA par rapport à l'ensemble de la clientèle.

Cela ne signifie en aucun cas que les données autodéclarées doivent être écartées ; il s’agit du seul mécanisme permettant de saisir l’étape 1, et un signal réel vaut mieux que rien. Cela signifie que le nombre doit être communiqué en précisant ces limites, comme un indicateur de l’influence de l’IA au niveau de la population, et non comme un décompte confirmé des conversions individuelles attribuables.

Comment présenter cela sans exagérer ?

• Présenter les modèles de la catégorie A ensemble, étiquetés par nom, afin que le client voie comment le crédit évolue en fonction de l'objectif – et non un seul chiffre composite présenté comme vérité absolue.
• Rapportez la catégorie B séparément, en indiquant le taux de réponse et les réserves relatives à la fiabilité mentionnées ci-dessus.
• Ne jamais additionner un chiffre d'affaires de catégorie A et un pourcentage de catégorie B pour obtenir un total combiné de « revenus attribués à l'IA » — ils mesurent des choses différentes à des niveaux de confiance différents, et leur addition crée un faux sentiment de précision que ce cadre a été construit, section par section, pour éviter.
• Lorsque les deux catégories convergent — par exemple, l'influence de l'IA auto-déclarée augmente au cours de la même période où les sessions organiques adjacentes au premier contact augmentent également —, signalez-le comme un signal corroborant, et non comme une preuve, et indiquez-le explicitement.

Liste de contrôle pour les rapports de recherche IA

Avant d'envoyer un rapport de recherche IA à un client, vérifiez les points suivants.

Visibilité

• L'ensemble des invites de commande principales est documenté.
• La visibilité de la marque est mesurée de manière constante.
• La visibilité des concurrents est incluse
• Les messages publicitaires sont séparés des messages informatifs.
• Le taux de citation est suivi.
• Le taux de recommandation est suivi le cas échéant.

Traffic

• Les parrainages ChatGPT sont suivis.
• Les références Perplexity sont suivies
• D'autres assistants IA pertinents sont segmentés
• Les pages de destination sont analysées
• L'engagement est mesuré

Recherche Google IA

• Les données de Search Console sont incluses lorsqu'elles sont disponibles.
• La visibilité de l'aperçu de l'IA se distingue des performances organiques traditionnelles
• Les données du mode IA sont prises en compte lorsqu'elles sont disponibles.
• Les impressions d'IA ne sont pas considérées comme des visites de site web.

Conversions

• Les prospects sont suivis
• Les prospects qualifiés sont suivis.
• Les opportunités de vente sont suivies.
• Les achats sont suivis le cas échéant.
• Les revenus sont suivis
• Les conversions assistées sont considérées

ROI

• L'investissement dans la recherche en IA est défini
• La méthodologie d'attribution est documentée.
• Les revenus directs et les revenus indirects sont distingués.
• Le pipeline ne doit pas être confondu avec les revenus.
• Les affirmations sont étayées par les preuves disponibles.

Questions fréquemment posées

Qu’est-ce que le reporting de visibilité de la recherche IA ?

Les rapports de visibilité de recherche IA indiquent le nombre de fois où l'organisation est vue, mentionnée, recommandée ou citée dans des recherches générées par l'IA, telles que ChatGPT, Perplexity, Google AI Overviews, Google AI Mode et Gemini, entre autres, et mettent en corrélation ces indicateurs de visibilité avec le trafic, les conversions, le pipeline et les revenus.

Comment mesure-t-on le trafic de ChatGPT ?

Le trafic de référence de ChatGPT peut être mesuré grâce aux données de référence et de campagne des plateformes analytiques. Les liens sortants de ChatGPT (OpenAI) peuvent utiliser utm_source=chatgpt.com ; depuis mai 2026, Google Analytics 4 intègre un canal AI Assistant qui reconnaît le trafic de référence IA sans configuration supplémentaire pour les plateformes comme ChatGPT.

Ce chiffre représente un minimum, et non un décompte exact. Les applications mobiles et les navigateurs intégrés de ChatGPT suppriment fréquemment l'en-tête Referer des clics sortants. Dans ce cas, Google Analytics (GA4) ne dispose d'aucune information source lorsque la session arrive dans la section « Direct », sans possibilité de l'identifier comme provenant de ChatGPT. Les clics sur les sites web depuis un ordinateur sont correctement classés ; ce n'est souvent pas le cas pour les clics depuis une application. Tout chiffre de trafic ChatGPT rapporté doit être considéré comme un sous-dénombrement. Le comparer à une vérification des pics inhabituels dans les sessions Direct d'une seule page peut aider à estimer l'ampleur de l'écart.

Google Analytics peut-il suivre les conversions ChatGPT ?

Oui. Si un visiteur arrive depuis ChatGPT avec des informations de source identifiables (référent ou UTM) intactes et effectue une conversion correctement configurée, Google Analytics 4 peut attribuer cette conversion à la source de trafic correspondante. Cependant, les conversions influencées par ChatGPT mais effectuées ultérieurement via un autre canal, ou arrivant avec un référent supprimé, peuvent ne pas être directement attribuées à ChatGPT, soit parce que la connexion n'est pas suivie, soit parce que la session n'a jamais été identifiable comme provenant de ChatGPT.

Peut-on mesurer le trafic à partir de Perplexity ?

Oui, mais pas automatiquement comme pour le trafic ChatGPT. Perplexity n'est actuellement pas inclus dans le canal AI Assistant natif de Google Analytics 4 ; il est par défaut intégré au trafic de référence générique. Pour l'isoler, il est nécessaire de créer manuellement un groupe de canaux personnalisé ou un filtre d'expression régulière (correspondant à perplexity.ai dans les données sources). Une fois cette configuration effectuée, les sessions de référence Perplexity peuvent être analysées comme n'importe quel autre canal suivi. Comme pour ChatGPT, seules les sessions où un référent a effectivement reçu une influence de l'IA, même si celle-ci n'a jamais généré de session mesurable, sont prises en compte. Les sessions influencées par une IA plus large, mais n'ayant jamais produit de session mesurable, ne sont pas visibles ici, quelle que soit la configuration.

Est-il possible de mesurer le trafic de Google AI Overview ?

Partiellement. Google Search Console a lancé en juin 2026 un rapport dédié aux performances de l'IA générative, indiquant la fréquence d'apparition des pages d'un site dans les impressions des Vues d'ensemble IA et du Mode IA, ventilée par page, pays, appareil et date. Ce rapport comble une lacune importante. Avant son lancement, il était impossible de distinguer la visibilité dans les Vues d'ensemble IA des performances organiques classiques.

Ce rapport reste limité : il n’affiche actuellement que les impressions, sans les clics, le CTR ni les données au niveau des requêtes. Son déploiement étant progressif, tous les sites n’y ont pas encore accès. De plus, il n’indique pas si une impression a généré une visite ; pour cela, il faut vérifier séparément le trafic de référence. Par ailleurs, les clics provenant de la vue d’ensemble de l’IA de Google ne sont pas dissociés de la recherche organique standard dans Analytics. Par conséquent, même avec ce nouveau rapport, il est toujours impossible d’isoler le trafic de référence de la vue d’ensemble de l’IA.

Une impression « Aperçu IA » signifie-t-elle que quelqu'un a visité mon site web ?

Non. Une impression « Vue d'ensemble IA » signifie qu'un lien vers votre site a été affiché dans l'expérience de recherche IA générative. Un clic supplémentaire est nécessaire pour que l'utilisateur accède au site web externe, et comme indiqué précédemment, ce clic n'est actuellement pas différenciable des clics organiques classiques dans Search Console ni dans Google Analytics 4. Google considère explicitement les impressions et les clics « Vue d'ensemble IA » comme des indicateurs distincts et non interchangeables.

Quel est l'indicateur le plus crucial en matière de référencement IA ?

Il n'existe pas de mesure unique pour évaluer le référencement IA. Une hiérarchie utile est la suivante : visibilité pondérée par l'intention → trafic IA qualifié → conversions → pipeline/revenus — en partant de l'extrémité la moins certaine et la plus échantillonnée de la chaîne vers l'extrémité la plus directement mesurable.

Pour une campagne de notoriété de marque, la visibilité peut être primordiale au départ, même avec une fiabilité de mesure moindre. Pour une entreprise de e-commerce, les achats et les revenus générés par l'IA sont plus importants et plus faciles à mesurer directement une fois la session établie. Pour les solutions SaaS B2B, un pipeline qualifié est généralement plus pertinent que le volume brut de trafic, compte tenu des longs cycles de vente et du faible nombre de transactions par période.

Comment prouver le retour sur investissement d'une recherche IA à un client ?

Reliez la chaîne de mesure, de la visibilité aux résultats commerciaux : visibilité de l’IA → citation/recommandation → référencement → engagement → conversion → chiffre d’affaires. Distinguez ensuite clairement les résultats directement attribués (traçables à une session issue d’une plateforme d’IA) de ceux qui sont influencés ou assistés (corrélés aux tendances de visibilité de l’IA, mais non traçables à une session spécifique). Documentez la méthodologie, la taille de l’échantillon et la liste des indicateurs de visibilité, ainsi que le modèle d’attribution utilisé pour chaque chiffre présenté.

La recherche par IA remplace-t-elle le SEO ?

Pas au sens simpliste du terme. La recherche par IA transforme la manière dont les internautes découvrent et évaluent l'information, mais la recherche traditionnelle demeure un canal de découverte majeur. Les deux partagent de plus en plus de signaux sous-jacents, d'indexation, de données structurées et d'autorité de contenu, autant d'éléments sur lesquels s'appuient les classements traditionnels et les citations de l'IA. Une approche plus pertinente consisterait à développer des contenus et des technologies compatibles à la fois avec la recherche conventionnelle et la découverte pilotée par l'IA, plutôt que de les traiter comme des systèmes distincts.

Les agences devraient-elles publier les classements en matière d'IA ?

Ils peuvent communiquer une mesure de visibilité ou de positionnement de l'IA, mais doivent éviter de laisser entendre que les systèmes d'IA possèdent un classement universel équivalent au classement organique traditionnel de Google. Les réponses de l'IA varient selon la question posée, le contexte utilisateur, la localisation, la fraîcheur du contenu, les sources consultées et la plateforme ; une même marque peut apparaître différemment lors de deux exécutions d'une même question. Tout terme relatif au « classement » doit être accompagné de précisions sur la taille de l'échantillon et la méthodologie employée, sous peine d'être interprété avec une certitude disproportionnée par rapport aux données sous-jacentes.